买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜上海交通大学申请的专利基于迁移学习算法的材料流动应力预测方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114974465B 。

龙图腾网通过国家知识产权局官网在2025-06-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202110204863.0，技术领域涉及：G16C60/00；该发明授权基于迁移学习算法的材料流动应力预测方法及系统是由陈恬;董湘怀设计研发完成，并于2021-02-23向国家知识产权局提交的专利申请。

本基于迁移学习算法的材料流动应力预测方法及系统在说明书摘要公布了：一种基于迁移学习算法的材料流动应力预测方法及系统，将辅助训练数据和目标训练数据合并生成模型训练集后，使用改进的两阶段TrAdaBoost.R2算法在模型训练集上进行流动应力预测模型训练，通过交叉验证得到在目标训练数据上回归误差最小的模型，调整算法超参数直到得到最优模型，将最优模型对材料流动应力曲线进行预测，将得到的应力‑应变预测曲线用于材料的数值模拟。本发明仅需要对此批次金属进行少量力学实验，并将迁移学习算法应用于当前实验数据和已知数据集上进行训练，就可以得到此批次金属在数据集中包含的温度和应变速率范围内的较为准确的流动应力预测结果。

本发明授权基于迁移学习算法的材料流动应力预测方法及系统在权利要求书中公布了：1.一种基于迁移学习算法的材料流动应力预测方法，其特征在于，将辅助训练数据和目标训练数据合并生成模型训练集后，使用改进的两阶段TrAdaBoost.R2算法在模型训练集上进行流动应力预测模型训练，通过交叉验证得到在目标训练数据上回归误差最小的模型，调整算法超参数直到得到最优模型，将最优模型对材料流动应力曲线进行预测，将得到的应力-应变预测曲线用于材料的数值模拟，具体包括： 步骤1：收集整理与待预测材料相似材料的已知流动应力实验数据，作为可复用的辅助训练数据集； 所述的辅助训练数据集中包含至少3个不同源的相似材料流动应力实验数据，辅助训练数据集中的数据至少覆盖通过实验获得的待预测材料的流动应力数据的温度和应变速率范围； 所述的与待预测材料相似材料是指：包括材料成分相近但不需完全相同，材料加工工艺相近但不需完全相同，即同属于一种种类但不完全相同材料，属于同一操作手段但工艺的参数不完全相同的工艺； 所述的流动应力实验数据具体是指：材料在不同温度、不同应变速率下的应力-应变曲线对应的数据点，该数据点的单位为：温度TK，应变速率，应变，应力； 步骤2：通过力学实验获取待预测材料的流动应力实验数据，作为目标训练数据集； 步骤3：将辅助训练数据和目标训练数据合并作为训练流动应力预测模型的数据集； 所述的流动应力预测模型，其输入为温度、应变速率以及应变，输出为应力，该模型具体为：，，模型为输入空间到输出空间的映射； 步骤4：使用改进两阶段TrAdaBoost.R2算法进行模型训练，通过交叉验证得到在目标训练数据上回归误差最小的模型，调整算法超参数直到得到最优模型； 所述的改进两阶段TrAdaBoost.R2算法属于基于实例的迁移学习算法，其基回归器为K近邻回归，具体步骤包括： 步骤①对目标训练数据集Ttarget和辅助训练数据集Tsource中实例的示例空间求交，取两个示例空间交集中的数据，得到当前目标训练数据集T’target，当前辅助训练数据集T’source；以当前目标训练数据集T’target,当前辅助训练数据集T’source为输入调用两阶段TrAdaBoost.R2’，其中两阶段TrAdaBoost.R2’除了输出为误差最小时的权值分布向量外，与两阶段TrAdaBoost.R2完全相同，以当前辅助训练数据集T’source中每个实例对应的权值为概率均匀采样每个实例中的数据点，将采样得到的数据并入目标训练数据集Ttarget； 步骤①中所述的两阶段TrAdaBoost.R2算法包括： 1.1逐渐降低所有辅助训练集Tsource中实例的权值和在总权值中的占比，并通过交叉验证得到权值比最优解，此阶段旨在确定目标训练集Ttarget中实例合适的权值总和，以避免目标训练集Ttarget数据量远小于辅助训练集Tsource造成的目标训练集Ttarget初始权值过低的问题，并对辅助训练集Tsource中实例进行权值更新；权值更新的方式为，调用基回归器在合并训练集T上得到一个学习器，然后计算每个实例的权值调整误差，根据误差值降权； 1.2在确定的权值比的基础上，按照Adaboost.R2算法的权值更新策略更新目标域实例权值分布，即对误差较大的数据点进行加权处理，此阶段辅助训练集Tsource中实例的权值保持不变；仅保存产生的模型；通过交叉验证，找到在目标训练集Ttarget上回归误差值最小的模型作为最终的训练结果； 步骤②重复步骤①直至未访问的辅助训练数据集Tsource中实例与目标训练数据集Ttarget示例空间求交后的当前目标训练数据集T’target，当前辅助训练数据集T’source皆为空集，此过程旨在对目标训练数据集Ttarget进行数据增强，扩大目标训练数据集Ttarget中数据覆盖的温度和应变速率范围，为之后的训练提供更多参考； 步骤③在步骤①中得到的目标训练集Ttarget的基础上，与辅助数据集Tsource合并； 步骤④在合并训练集上调用两阶段TrAdaBoost.R2算法得到最终模型； 步骤⑤对材料流动应力曲线进行预测，预测结果可用于材料的数值模拟； 所述的辅助训练数据集中包含的数据来自越多不同源的相似材料，改进两阶段TrAdaBoost.R2算法通过权值变更选出对待预测材料的流动应力预测有积极效果的数据的可能性越大；辅助数据集中数据覆盖的温度和应变速率范围决定模型可预测范围的上限，故辅助训练数据集中的数据包括来自更多不同来源的相似材料流动应力实验数据和实验数据覆盖更大的温度和应变速率范围。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海交通大学，其通讯地址为：200240 上海市闵行区东川路800号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。